1. Pendahuluan Banjir merupakan salah satu bencana alam yang paling sering melanda berbagai wilayah di Indonesia, terutama daerah yang dilewati oleh aliran sungai besar. Setiap kali musim hujan tiba, masyarakat yang tinggal di sekitar bantaran sungai selalu dibayangi oleh rasa cemas. Luapan air sungai yang datang tiba-tiba sering kali tidak memberikan waktu yang cukup bagi warga untuk menyelamatkan harta benda, bahkan dalam beberapa kasus tragis, hingga menelan korban jiwa. Selama ini, kita sering mengandalkan sistem peringatan dini atau Early Warning System (EWS) konvensional. Beberapa di antaranya menggunakan sensor ultrasonik atau alat ukur manual berupa penggaris mekanis (peilschaal) yang dipasang di dinding sungai. Namun, apakah sistem konvensional ini sudah cukup efektif dan aman?

Mari kita evaluasi bersama. Alat ukur fisik yang dipasang langsung di dalam atau di permukaan air sungai sangat rentan terhadap kerusakan fisik. Bayangkan saja saat banjir bandang terjadi, air tidak hanya membawa volume air yang besar, tetapi juga sampah, batang pohon, dan berbagai material berat lainnya. Sensor fisik sering kali tersangkut sampah, hancur diterjang arus kuat, atau mengalami korosi akibat kelembapan tinggi. Akibatnya, data ketinggian air menjadi tidak akurat atau bahkan sistem mati total justru di saat yang paling krusial. Selain itu, pemeliharaan alat-alat fisik ini membutuhkan biaya yang tidak sedikit karena petugas harus berkali-kali datang ke lokasi untuk membersihkan atau memperbaiki sensor.

Nah, dari sinilah tim kami melihat sebuah peluang besar untuk menghadirkan inovasi teknologi yang lebih tangguh, efisien, dan modern. Mengapa kita tidak memanfaatkan infrastruktur visual yang sebenarnya sudah banyak tersebar di perkotaan, yaitu Kamera Pemantau atau CCTV? Dikombinasikan dengan kemajuan teknologi kecerdasan buatan, kami mengembangkan sebuah gagasan bernama BANSAI: Banjir berbasis Sungai dan AI. Konsep utama dari BANSAI adalah mengubah kamera CCTV biasa menjadi sebuah sensor pintar jarak jauh yang mampu mendeteksi, memantau, dan memprediksi ketinggian air sungai secara real-time tanpa harus menyentuh air sedikit pun. Konsep non-contact sensor ini menjadi kunci utama mengapa BANSAI diproyeksikan akan jauh lebih unggul dibandingkan dengan sistem sensor fisik tradisional.

Dalam artikel ini, kami ingin membagikan rancangan konseptual dan proposal PKM yang telah kami susun. Kami akan mengupas tuntas bagaimana Machine Learning dan Computer Vision dapat diintegrasikan dengan kamera pemantau jalan atau sungai untuk menciptakan sistem mitigasi bencana yang andal. Harapan kami, inovasi ini dapat menjadi referensi bermanfaat bagi pengembangan konsep Smart City di Indonesia, khususnya dalam aspek penanggulangan bencana alam berbasis teknologi digital. Yuk, kita bedah bersama bagaimana rencana sistem BANSAI ini bekerja dari hulu hingga hilir!

2. Konsep Ide BANSAI Sebelum masuk ke ranah teknis yang lebih dalam, mari kita pahami dulu apa sebenarnya filosofi di balik BANSAI. Nama BANSAI sendiri merupakan akronim kreatif dari “Banjir berbasis Sungai dan AI”. Kami sengaja memilih nama ini agar mudah diingat, tetapi tetap mencerminkan esensi teknologi mutakhir yang diusung. Fokus utama dari BANSAI adalah pemanfaatan algoritma Computer Vision untuk mengekstraksi informasi ketinggian air dari aliran video mentah (video stream) yang ditangkap oleh kamera CCTV yang diarahkan ke sungai.

Secara umum, infrastruktur CCTV di kota-kota besar Indonesia sudah sangat masif. Pemerintah daerah biasanya sudah menempatkan kamera pemantau di dekat jembatan atau pintu air. Namun, fungsi CCTV tersebut selama ini mayoritas hanya digunakan untuk pemantauan visual manual oleh petugas yang berjaga di ruang kendali. Petugas harus melihat puluhan layar monitor secara bergantian, yang tentu saja sangat melelahkan dan rawan terhadap kelalaian manusia (human error). Jika petugas mengantuk atau terdistraksi, momentum kritis saat air mulai naik bisa saja terlewatkan begitu saja.

BANSAI hadir untuk mengotomatisasi proses tersebut. Dengan mengintegrasikan skrip program berbasis Machine Learning ke dalam sistem CCTV, komputer akan berperan sebagai “mata digital” yang terjaga 24 jam sehari tanpa henti. Komputer akan menganalisis setiap frame video secara otomatis, menghitung estimasi ketinggian air, dan mengenali apakah kondisi sungai saat ini berada pada status Normal, Siaga 3, Siaga 2, atau Siaga 1 (Kritis). Keunggulan utama dari pendekatan berbasis AI ini adalah kemampuannya dalam memproses data dalam jumlah besar secara serentak, memberikan penilaian objektif berdasarkan visual, dan tidak terpengaruh oleh faktor kelelahan fisik.

Selain aspek pendeteksian real-time, hal yang membuat BANSAI berbeda adalah adanya rancangan modul prediksi. Kami tidak hanya ingin tahu berapa ketinggian air saat ini, tetapi kami juga merancang sistem untuk memprediksi apa yang akan terjadi dalam 1, 2, atau 3 jam ke depan. Dengan mengetahui tren kenaikan air lebih awal, masyarakat dan pihak berwenang memiliki waktu jeda (lead time) yang jauh lebih longgar untuk melakukan evakuasi secara aman dan tertib. Langkah preventif inilah yang menjadi inti dari sistem mitigasi bencana yang modern dan cerdas.

3. Metodologi Pengembangan Sistem Bagaimana sebenarnya tim kami akan mewujudkan ide BANSAI ini menjadi sebuah sistem yang konkret? Proses pengembangan sistem BANSAI dirancang ke dalam beberapa tahapan utama, mulai dari pengumpulan data, prapemrosesan gambar, pelatihan model Machine Learning, hingga pengujian sistem peringatan dini secara terintegrasi.

Tahap Pertama: Pengumpulan Data (Data Collection) Karena sistem kami mengandalkan visual, kami membutuhkan dataset berupa gambar dan video rekaman CCTV sungai dalam berbagai kondisi cuaca dan pencahayaan. Kami akan mengumpulkan data visual dari beberapa titik sungai yang memiliki karakteristik berbeda. Dataset ini ditargetkan mencakup visual sungai saat cuaca cerah, mendung, hujan lebat, serta kondisi pencahayaan siang dan malam hari. Selain video sungai, kami juga akan mengumpulkan data referensi visual seperti tiang penanda elevasi banjir (peilschaal) atau struktur jembatan yang dapat dijadikan sebagai titik acuan (reference points).

Tahap Kedua: Prapemrosesan Data (Data Preprocessing) Video mentah dari CCTV akan dipotong menjadi frame-frame gambar individual. Gambar-gambar ini kemudian dibersihkan melalui proses denoising untuk mengurangi distorsi visual. Selanjutnya, kami akan melakukan proses pelabelan atau anotasi (annotation). Kami menandai area mana yang merupakan air sungai (water body) dan mana yang merupakan struktur daratan menggunakan teknik Semantic Segmentation. Melalui anotasi ini, komputer diajarkan untuk memahami batas vertikal air pada gambar. Kami juga merancang konversi koordinat piksel pada gambar menjadi satuan metrik riil dengan memanfaatkan rasio dimensi dari objek referensi tetap yang ada di sekitar sungai.

Tahap Ketiga: Pengembangan dan Pelatihan Model Machine Learning Untuk mendeteksi area air secara visual, kami akan menerapkan arsitektur Deep Learning untuk segmentasi citra, seperti U-Net dan varian YOLO (You Only Look Once) berbasis segmentasi. Model ini akan dilatih menggunakan unit pemroses grafis (GPU) agar komputer dapat mengenali pola tekstur air secara akurat. Data runtun waktu (time-series) ketinggian air hasil deteksi tersebut nantinya akan dialirkan ke model kedua, yaitu model prediksi tren. Untuk modul prediksi ini, kami memilih arsitektur Long Short-Term Memory (LSTM) yang andal dalam memproses data sekuensial. Model LSTM ini akan dilatih untuk mengenali pola historis perubahan debit air guna menghasilkan prediksi ketinggian air di masa depan.

Tahap Keempat: Integrasi Sistem Peringatan Dini (Early Warning System Integration) Informasi yang dihasilkan oleh model Machine Learning harus tersampaikan ke masyarakat dengan cepat. Oleh karena itu, kami akan membangun sebuah gerbang API (Application Programming Interface) yang menghubungkan model AI dengan platform komunikasi massal. Ketika sistem mendeteksi ketinggian air melewati ambang batas aman (threshold), sistem akan memicu pengiriman pesan otomatis (push notification). Rencananya, kami akan mengintegrasikan sistem ini dengan bot WhatsApp, Telegram, serta dashboard berbasis web yang dapat diakses oleh petugas setempat.

4. Rencana Pengujian dan Parameter Evaluasi (Bagian Baru Pengganti Hasil Eksperimen) Untuk memastikan sistem BANSAI dapat beroperasi secara andal saat diimplementasikan, tim kami telah menyusun skenario pengujian komprehensif yang akan dilakukan setelah model selesai dikembangkan. Pengujian ini akan difokuskan pada tiga metrik utama untuk mengukur kelayakan sistem sebagai instrumen mitigasi bencana.

Pertama, Evaluasi Akurasi Deteksi Visual. Kami akan menguji model segmentasi citra menggunakan dataset validasi yang belum pernah dilihat oleh model (unseen data) dalam berbagai kondisi pencahayaan (siang dan malam) serta kondisi cuaca. Parameter yang akan digunakan adalah Intersection over Union (IoU) dan Pixel Accuracy. Target kami adalah mencapai tingkat IoU di atas 85% pada kondisi siang hari dan mencari batas toleransi akurasi pada malam hari, di mana teknik Adaptive Contrast Enhancement akan diuji efektivitasnya dalam menangani gambar dengan pencahayaan minim.

Kedua, Validasi Model Prediksi LSTM. Modul prediksi tren kenaikan air akan dievaluasi menggunakan metrik Root Mean Squared Error (RMSE) dan Mean Absolute Error (MAE). Kami akan mensimulasikan data debit air historis untuk melihat seberapa dekat jarak antara prediksi ketinggian air sistem pada 1 hingga 2 jam ke depan dibandingkan dengan data aktualnya. Nilai error yang rendah akan mengonfirmasi bahwa masyarakat bisa mengandalkan waktu jeda (lead time) yang diberikan oleh sistem untuk evakuasi.

Ketiga, Pengujian Latensi Peringatan Dini (Alert Delivery Latency). Kecepatan adalah nyawa dalam mitigasi bencana. Kami akan mencatat waktu komputasi secara end-to-end (latency logging), mulai dari masuknya frame video ke sistem, proses inferensi deteksi, hingga notifikasi peringatan dini berhasil diterima di perangkat seluler (WhatsApp/Telegram). Kami menargetkan keseluruhan proses ini dapat terselesaikan dalam hitungan detik, jauh lebih responsif dibandingkan rantai pelaporan konvensional.

5. Tantangan Lapangan dan Rencana Pengembangan Ke Depan Dalam merancang arsitektur sistem BANSAI, tim kami bersikap realistis bahwa implementasi di lapangan nantinya akan dihadapkan pada sejumlah tantangan teknis. Mengenali potensi tantangan ini sejak fase proposal sangat penting agar kami dapat menyusun rencana mitigasi risiko yang lebih matang.

Tantangan utama yang kami identifikasi adalah Faktor Visibilitas dan Cuaca Ekstrem. Pada saat hujan sangat lebat, rintik air yang menerpa lensa kamera CCTV dapat mengaburkan pandangan (lens blurry effect). Selain itu, fenomena kabut tebal juga dapat menurunkan kontras visual secara drastis, membuat batas antara air dan daratan menjadi samar. Masalah pencahayaan pada malam hari yang sangat gelap juga menjadi kendala. Jika kamera CCTV tidak dilengkapi dengan sensor Infra-Red (IR) yang mumpuni, model akan kesulitan melakukan segmentasi objek.

Tantangan kedua berkaitan dengan Stabilitas Aliran Video dan Bandwidth Internet. Karena sistem BANSAI membutuhkan pemrosesan video kontinu, sistem ini sangat bergantung pada stabilitas koneksi internet. Jika koneksi terputus, sistem akan mengalami blind spot sesaat. Di daerah pinggiran kota, penyediaan bandwidth yang stabil untuk streaming video berkualitas tinggi masih menjadi tantangan.

Untuk mengatasi berbagai tantangan di atas, kami telah menyiapkan beberapa langkah antisipasi. Pertama, kami berencana mengeksplorasi penerapan algoritma Dehazing dan Deraining pada modul prapemrosesan untuk “membersihkan” efek hujan dan kabut secara digital. Kedua, untuk mengatasi masalah bandwidth, kami merencanakan migrasi arsitektur dari cloud server menuju sistem Edge AI. Dengan Edge AI, model akan ditanamkan langsung pada perangkat komputasi mini di dekat kamera CCTV (on-site), sehingga internet hanya digunakan untuk mengirimkan teks notifikasi peringatan (berukuran sangat kecil), bukan streaming video yang memakan kuota besar.

6. Kesimpulan Sebagai penutup dari artikel PKM ini, dapat disimpulkan bahwa rancangan integrasi antara teknologi Computer Vision dan Machine Learning melalui sistem BANSAI menawarkan sebuah paradigma baru yang potensial dalam upaya mitigasi bencana banjir di Indonesia. Dengan memanfaatkan infrastruktur kamera CCTV yang sudah ada, BANSAI dirancang untuk mengubah fungsi pemantauan pasif menjadi sistem peringatan dini aktif yang bekerja otomatis 24 jam penuh.

Sifat sistem BANSAI yang non-contact menjadikannya jauh lebih tangguh dan berpotensi berumur panjang dibandingkan sensor fisik tradisional. Melalui rancangan metodologi yang matang, kombinasi model segmentasi visual dan prediksi LSTM diproyeksikan mampu memberikan akurasi data yang tinggi serta pengiriman notifikasi bahaya secara kilat. Walaupun masih terdapat potensi kendala seperti visibilitas cuaca ekstrem dan stabilitas jaringan, solusi seperti teknik peningkatan citra digital dan implementasi Edge AI diyakini mampu menyempurnakan keandalan sistem ini. Kami optimis, inovasi BANSAI ke depannya dapat diimplementasikan secara nyata untuk mewujudkan lingkungan komunal yang lebih aman, tanggap bencana, dan cerdas.

Ditulis oleh :
Nama : Muhamad Akira Safrizal
NIM : 10123072

Referensi / Daftar Pustaka

• Redaksi, J. (2024). Deep Learning for Natural Disaster Management: A Comprehensive Review. Journal of Computer Science and Informatics, 12(2), 45-58.
• Pratama, A., & Setiawan, B. (2023). Penerapan Computer Vision Menggunakan Metode YOLO untuk Deteksi Batas Ketinggian Air Sungai sebagai Sistem Peringatan Dini Banjir. Jurnal Teknologi Informasi UNIKOM, 15(1), 12-25.
• Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9(8), 1735-1780.
• Sutikno, T., & Cahyono, D. (2025). Analisis Performa Sensor Non-Contact Berbasis Citra Digital dalam Monitoring Debit Air Sungai di Wilayah Urban. Jurnal Otomasi dan Kontrol Sistem Indonesia, 7(3), 112-121.